<![CDATA[Fibrilasi atrium (AF) adalah aritmia jantung paling umum dan berisiko stroke serta gagal jantung jika tidak terdeteksi dini. Sinyal Photoplethysmography (PPG) dari perangkat wearable menawarkan kardiovaskular berkelanjutan, pemantauan namun morfologinya yang halus dan rentan artefak menyulitkan deteksi AF secara manual. Penelitian ini merancang dan membandingkan dua model klasifikasi berbasis Long Short-Term Memory (LSTM): LSTM-Signal (masukan sinyal mentah) dan LSTM-TimeFeat (masukan 11 fitur temporal per segmen). Dataset berasal dari MIMIC PERform AF (10 rekaman: 5 AF, 5 Normal) difrekuensi 125 Hz, didesimasi ke 31,25 Hz, difilter bandpass 0,5–5,0 Hz, dan disegmentasi menjadi 590 segmen 10 detik (295 AF, 295 Normal). Evaluasi menggunakan recordwise 10-fold cross-validation mencegah kebocoran data antar-subjek. LSTM-TimeFeat mencapai performa terbaik: akurasi 97,28% ± 2,29%, sensitivitas 96,26% ± 4,32%, spesifisitas 98,30% ± 2,42%, presisi 98,33% ± 2,40%, dan F1-Score 97,22% ± 2,39% — mengungguli LSTM-Signal (akurasi 84,62% ± 14,15%). Rekayasa fitur temporal, khususnya variabilitas interval RR, secara signifikan meningkatkan akurasi dan stabilitas klasifikasi AF berbasis PPG dibandingkan pembelajaran langsung dari sinyal mentah. Indeks—Fibrilasi Atrium, Fotopletismografi (PPG), Jaringan Saraf Tiruan Long Short-Term Memory Dua Arah (BiLSTM), Ekstraksi Fitur, Informasi Mutual. ]]>
Copyrights © 2026
